EMNLPSep, 2018

Emo2Vec: 多任务训练学习情感通用表示

PDF
TL;DR本文提出了 Emo2Vec 模型，将情感语义编码为向量。通过训练多任务的方式进行六种不同的情感相关任务来训练 Emo2Vec，包括情感 / 情绪分析，讽刺分类，压力检测，恶意语言分类，侮辱探测和人格识别。我们的评估表明，Emo2Vec 在比现有的情感相关表示法（例如 Sentiment-Specific Word Embedding 和 DeepMoji embeddings）更小的训练语料库上表现更好。当与 GloVe 拼接时，Emo2Vec 在使用简单逻辑回归分类器的几项任务中取得了与现有最优结果相竞争的表现。
发现论文，激发创造
  • 利用表情符号和话题标签的情感知识的 PlusEmo2Vec 于 SemEval-2018 任务 1

    本文描述了我们的系统，该系统已提交到 SemEval-2018 Affect in Tweets （AIT）任务以解决五个子任务，通过利用具有表情符号和哈希标签的大型远程标记语料库来对文本中的情绪进行建模。使用神经网络模型作为特征提取器来转移情感知识，并将这些表示用于传统的机器学习模型，如支持向量回归（SVR）和逻辑回归，以解决竞赛任务，我们的系统在参赛的所有子任务中都排名前三。

    Apr, 2018

  • emotion2vec：自监督预训练语音情感表征

    我们提出了 emotion2vec，这是一个通用的语音情感表示模型，通过自我监督在线提取方法在开源未标记的情感数据上进行预训练，结合预训练期间的话语级损失和帧级损失。emotion2vec 在主流的 IEMOCAP 数据集上，仅通过训练线性层的方式在语音情感识别任务中胜过最先进的预训练通用模型和情感专家模型。此外，emotion2vec 在 10 种不同语言的语音情感识别数据集中表现出一致的改进。emotion2vec 在其他情感任务上也展示了出色的结果，如歌曲情感识别、对话中的情感预测和情感分析。比较实验、消融实验和可视化全面展示了提出的 emotion2vec 模型的通用性。据我们所知，emotion2vec 是各种与情感相关任务中的第一个通用表示模型，填补了这一领域的空白。

    Dec, 2023

  • 使用描述学习表情符号的表示

    本文介绍了一种针对社交媒体上的 emoji 进行预训练的嵌入式表情符号 emoji2vec，与 word2vec 搭配使用可用于下游社交自然语言处理应用，研究表明 emoji2vec 在情感分析任务中表现优异。

    Sep, 2016

  • 使用 Wav2vec 2.0 嵌入进行语音情感识别

    本文提出一种基于迁移学习的语音情感识别方法，将从预训练的 wav2vec 2.0 模型中提取的特征使用简单的神经网络模型进行建模，并使用可训练的权重从多层模型中组合输出，在 IEMOCAP 和 RAVDESS 两个情感数据库上的评价表明，在情感识别性能上优于现有文献中的结果。

    Apr, 2021

  • 基于潜变量链转换的多标签情感分类 Seq2Emo

    本文提出了一个 Latent Variable Chain (LVC) 转换和 Seq2Emo 模型，它不仅可以自然地预测多重情感标签，还考虑了它们之间的相关性，从而取得了比现有最先进方法更好的结果。

    Nov, 2019

  • 情感模仿预测的单模态多任务融合

    通过利用 Wav2Vec 2.0 框架进行语言和语音特征提取，以及 LSTM 架构对音频数据进行时序分析，本研究提出了一种在情感行为分析竞赛中对情感模仿强度进行估计的方法，取得了显著的改进。

    Mar, 2024

  • EmoNets: 多模深度学习方法用于视频情感识别

    本研究使用深度学习技术，以多模态方式，使用面部检测、音频流等模态，探索影片情感识别模型，成果在 2013 年的 EmotiW 挑战中成为获胜者，并在 2014 年的数据集上实现了约 47.67% 的准确率。

    Mar, 2015

  • 使用数百万个表情符号出现次数来学习用于检测情感、情绪和讽刺的任意领域表示

    本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含 64 个常见表情的数据集中进行表情预测，使用单个预训练模型在 8 个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。

    Aug, 2017

  • 利用表征学习增强情感认知模型

    本研究提出了一种新型深度学习框架，用于生成细粒度情感的嵌入式表示，可用于计算描述情感心理模型。通过与多头探测模型集成的上下文嵌入编码器，可以动态地学习情感表示并优化情感分类任务，评估结果表明可以达到最先进的 32 种情感分类。最后结合情感图生成情感轮并增强丢失的情感状态模型价值。

    Apr, 2021

  • 基于表情符号的情感转移学习

    该研究使用迁移学习的方法，利用表情符号编码的情感信息来提高各种情感任务的表现，发现单语言学习的源任务具有优势，并在三种条件下分析了转移学习的有效性。

    Feb, 2021